Summary
此处介绍的是一个协议，用于检查消费者对在线零售环境中大规模定制的反应。该协议详细介绍了在线调查过程以及如何使用结构方程建模分析数据，以及如何使用潜在均值分析对数据进行分组分析。
Abstract
由于许多学者和从业者研究个性化和关系营销，因此通过营销技术提供大规模定制等个性化服务就显得尤为重要。本研究的目的是研究如何使用在线调查和分析数据进行消费者研究。这项研究考察了消费者在定制产品的同时感知到的好处，以及情感产品依恋、对定制计划的态度以及在线零售背景下的忠诚度意图。此外，本研究还调查了消费者的反应如何根据个人特征（如时尚创新）而不同。韩国一家在线调查公司招募了290名在线购买服装的女性服装购物者。为了提高外部有效性，本研究使用了现有的零售网站，并带有一个完善的批量定制程序。完成自定义计划后，参与者完成在线调查问卷。然后执行结构方程建模 （SEM） 和潜在均值分析 （LMA） 进行分析。本研究强调了测试测量不均差对于均值比较的重要性。在 SEM 和 LMA 之前，本研究遵循不变性测试（配置不方差检验、公制不方差检验和标量不方差测试）的层次结构，传统方法（如 ANOVA）并未考虑这些等级。这些统计分析提供了不变性测试程序和 LMA 对消费者行为的适用性。平均差异的结论具有完整性和有效性，因为它们由复杂的统计程序指导，以确保测量不变性。
Introduction
大规模定制是指电子零售商为个人客户定制产品、服务和交易环境的能力1。当今的消费者对标准产品不满意，许多零售商已经认识到这一点。提供大规模定制选项是获得客户忠诚度和竞争优势的一种方法2。大规模定制作为一种营销策略，允许消费者根据特定需求创建自己的产品，从而提供个性化的产品或服务3。例如，消费者不仅可以购买一双量产的鞋子，还可以通过选择颜色、面料和其他设计组件来创建常规零售网站上不可用的一双新的独特鞋。因此，消费者可以购买更优惠的产品，他们对定制产品的满意度以及品牌忠诚度提高4、5。
随着互联网的使用日益增加，大规模定制过程在减少生产时间和以相同的成本提供更多设计选项方面变得更加快速和高效。此外，零售商可以获取有关其目标客户喜欢什么的信息，从而与他们建立牢固的关系6，7。因此，许多行业（如服装、鞋类、汽车和计算机）都采用了定制程序。虽然大规模定制对消费者和零售商都有利，但一些零售商面临着挑战8。因此，有必要研究消费者如何看待利益，以及这些好处如何影响其他购物反应，从而取得长期成功。
本研究借鉴了说服理论9中的影响层次（HOE）模型，提出消费者根据认知-影响-凝理序列处理信息。具体来说，本研究检查（在创建大规模定制产品后）感知到的消费者利益（认知）是否通过产品附件影响忠诚度意图（共性）和对大规模定制计划的态度（影响）.根据动机理论10，感知的利益分为外在和内在利益11。
外在利益与消费者因使用产品12而获得的价值有关（因此，其价值接近产品质量11），而内在利益表示在使用产品11时体验愉快。在大规模定制上下文中，外在优势与消费者创建的产品相关联，而内在利益与满足天顿和经验需求的定制体验相关13、14。先前的研究发现，消费者的感知利益增强了情感产品依恋15和对大规模定制计划16的积极态度。情感产品依恋是指消费者与产品17连接的情感纽带，它积极影响对定制计划18的态度和忠诚度意图19。此外，对定制计划的态度对忠诚度意图有积极的影响20。
最后，本研究考察了个人特征（即时尚创新）对消费者反应的影响不同。时尚创新是指个人的创新倾向对新时尚项目21的采用的影响程度。研究结果显示，希望避免符合性的消费者（即高度时尚创新的消费者）有购买独特产品的动机，这表明大规模定制可能是使自己与众不同的有效策略因此，本研究假设，对于高度时尚创新的消费者，将会产生更多正面的回应。
根据以前的文献评论，本研究解决了以下研究假设。H1：大规模定制产品的感知优势（a：外在优势，b：内在效益）将对情感产品依恋产生积极影响;H2：大规模定制产品的感知优势（a：外在优势，b：内在效益）将对大众定制计划的态度产生积极影响;H3：情感产品依恋将对大众定制计划的态度产生积极影响;H4：情感产品依恋会积极影响忠诚意图;H5：对大规模定制计划的态度将对忠诚意图产生积极影响;和H6：与低时尚创新相比，高级时装创新者对（a）感知到的好处、（b）情感产品依恋、（c）态度和（d）行为意图会有更积极的反应。
为了提高外部有效性，本研究使用现有的大规模定制程序。在韩国的潜在参与者被招募参加这项研究，并被要求使用一个程序创建自己的风衣，就像他们实际购买了产品一样。为了根据参与者的定制体验来探索参与者的回答，本研究使用在线调查。在线使用自定义程序后，参与者可以立即访问调查表。收集数据后，该研究使用单组 SEM 来调查消费者利益对产品依恋、态度和忠诚度意图的影响。为了检验时尚创新的缓和作用，该研究使用了LMA。
Subscription Required. Please recommend JoVE to your librarian.
Protocol
这项研究被免除了Ewha女子大学的IRB审查，并分配了协议号#143-18。
1. 招募参与者
- 准备进行在线调查。
注：一项在线调查是利用韩国的一家调查公司进行的。这家研究公司拥有韩国最大的消费者小组，反应率很高。小组讨论中的年龄和性别分布反映了韩国人口的状况。通过实名验证，消费者小组具有很高的可靠性。由于研究公司以各种创新方法不断管理课题组，因此对研究公司的忠诚度很高;因此，公司获得的研究结果是高度可靠的。 - 招募有在线购买服装经验的女性消费者。
注：韩国女性消费者在服装购物上的收入比例很高，购物行为大多发生在网上购物。因此，选择这个组作为本研究的参与者是合适的。 - 向学员发送邀请电子邮件，其中包含有关研究目的的信息以及对其答复的保密性。
- 向同意参与调查的用户发送指南，演示如何使用自定义程序创建风衣（参见图 1）。
注：为了避免参与者在使用自定义程序时遇到困难时遇到这种情况，来自研究公司的审阅者发送了指南。此外，主持人打电话给参与者，解释定制过程，而参与者则审阅了指南。 - 要求参与者捕获所创建的风衣的屏幕截图，并提供外套的价格，以确保他们在自定义程序中实际创建风衣。
- 当参与者了解该过程时，发送连接到现有购物网站中的电子批量自定义程序的链接。
- 向与会者提供以下场景："请想象一下，您足够富裕，可以购买可爱的衣服，并且必须购买风衣才能参加重要会议。您想要创建独特的风衣。在浏览互联网时，您会遇到拥有大规模定制计划的完美服装网站"。
注：此步骤需要提高参与程度，并控制产品类型和消费者对产品价格的看法。 - 允许参与者在阅读方案后 24 小时创建风衣。
注：参与者可以自由创建风衣，选择首选的整体风格，衣领，外套长度，袖子长度，口袋，织物和衬里的情况下，他们将实际购买它。如果他们在自定义程序中创建外套时遇到问题，则允许他们在 24 小时期间随时呼叫主持人并询问主持人。 - 在 24 小时后激活调查链接，以便准备参加调查的参与者（即已完成捕获他们创建的风衣屏幕截图的参与者）可以单击调查链接。
图 1：使用电子批量自定义程序的说明。在线调查的参与者阅读了有关如何使用自定义程序创建风衣的说明，并按照步骤 1-8 进行操作。请点击此处查看此图的较大版本。
2. 调查程序
- 要求参与者将他们创建的风衣的屏幕截图和价格上传到调查的第一页（参见图 2）。
注：只有上传屏幕截图的参与者才能访问调查问卷。 - 要求参与者填写在线调查问卷，了解感知到的好处、对定制产品的情感依恋、对定制计划的态度、忠诚度意图和人口统计问题（参见表1）。
- 奖励完成调查的人员。
注：在这里，参与者将获得 10，000 欧元（约 10 美元）的奖励。退出调查或未能提供屏幕截图和价格的参与者收到 1，000 英镑（约 1 美元）。
图 2：使用电子质量自定义程序创建的风衣示例。参与者通过选择首选的衣领、长度、面料等来创建风衣，然后上传风衣创作的屏幕截图。请点击此处查看此图的较大版本。
| 外在福利（Franke等人，2009年） |
| 与标准产品相比，定制产品将_____________________________________ |
| 1. 更好地满足我的要求 |
| 2. 更好地满足我的个人喜好 |
| 3. 更有可能是最适合我的解决方案 |
| 内在效益（弗兰克和施赖尔，2010年） |
| 1. 我非常喜欢这个设计活动 |
| 2. 我认为设计产品相当愉快 |
| 3. 设计这个产品很有趣 |
| 情感产品附件（汤姆森等人，2005年） |
| 与这个品牌的标准产品相比，我对定制产品的感觉可以有_________________________________________________________________ |
| 1. 情感 |
| 2. 连接 |
| 3. 激情 |
| 4. 俘虏 |
| 对大规模定制计划的态度（Li等人，2001年） |
| 本网站的大规模定制程序是____________________________________ |
| 1. 不吸引人 |
| 2. 不愉快的愉快 |
| 3. 缺乏吸引力 |
| 4. 可讨人喜欢的 e 可爱 |
| 忠诚意图（Kwon和列侬，2009年） |
| 1. 我会在不久的将来在这个定制计划中购买定制产品 |
| 2. 我会推荐这个自定义程序给朋友或亲戚 |
| 3. 我会回到这个网站，并在不久的将来定制产品 |
| 产品参与（扎伊奇科夫斯基，1985年） |
| 对我来说，衣服是_____________________________________________________ |
| 1. 不重要的 e 重要 |
| 2. 无聊有趣 |
| 3. 不吸引人 |
| 4. 不需要 e |
| 5. 令人激动的 e 令人兴奋6.毫无价值的e价值 |
| 时尚创新（Park等人，2007年） |
| 1. 一般来说，我是我朋友圈中最后一个知道最新新时尚（R）名字的人。 |
| 2. 一般来说，我是最后一个在我的朋友圈购买一个新的时尚项目，当它出现（R） |
| 3. 与我的朋友相比，我拥有新的时尚商品。 |
| 4. 我知道新时装设计师的名字比其他人先。 |
| 5. 如果我听说店里有新的时装，我会有兴趣买它。 |
| 6. 我会买一个新的时尚项目，即使我以前没有见过它。 |
| （R） 反向编码 |
表1：测量尺度。此表以前已使用29。
3. 数据准备
- 将调查数据保存在 SPSS 文件中，如"Data_TOTAL.sav"（参见图 3），其中包含调查参与者的所有响应。删除包含缺失值的案例。使用已清理的数据进行 SEM 分析。
- 将总数据分成两个数据文件：高和低时尚创新组。使用中值分割。对六项时尚创新项目进行评分和平均评分，并计算时尚创新度中位数（med = 4.17）。
注：中值分割在心理学和营销研究中经常使用，使用中位数分割连续变量来检查群体差异是有效的24。 - 单击"转换"菜单下的"重新编码为不同的变量"。如果平均分数低于中位数（例如，中位数 = 4.17），则通过编码"1（低时尚创新组）"，创建一个新变量"时尚创新组（FIG）";如果平均得分高于中位数，则通过编码"2（高级时尚创新组）"（参见图 4）).
- 单击"数据"菜单下的"拆分为文件"，双击变量"时尚创新组 （FIG）"将其移动到"按案例拆分"字段，并分配"输出文件目录"位置以保存文件（参见图 5）。
- 在分配的目录中保存"1.sav"和"2.sav"。将文件名更改为"数据+低时尚创新.sav"和"Data_高级时尚创新.sav"，以同时用于 LMA。
图 3：数据_总计。数据包括用于 SEM 分析的所有参与者 （n = 290） 的响应。请点击此处查看此图的较大版本。
图 4：创建新变量"时尚创新组 （FIG）"。新变量（FIG）由编码"1（低时尚创新组）"和"2（高创新组）"制成。请点击此处查看此图的较大版本。
图 5：将数据集拆分为两个数据文件。总数据文件"Data_TOTAL"分为"数据+低时尚创新.sav"和"Data_高级时尚创新.sav"文件，供 LMA 后续使用。请点击此处查看此图的较大版本。
4. 运行确认因子分析 （CFA）
-
使用五因子测量模型进行单组 CFA，以确认收敛有效性。单击"选择数据文件 " |数据_总计。"sav"。根据研究问题开发测量模型。
- 测量模型包括五个潜在变量（即外在优势、内在利益、情感产品依恋、对大规模定制计划的态度和忠诚度意图）和 17 个观察到的变量（三个观察到的变量外在利益，三为内在利益，四为情感产品依恋，四为对大规模定制计划的态度，三为忠诚意图）。将潜在变量的方差设置为"1"（参见图6和图 7）。单击"计算估计值"。
- 从单组 CFA 的结果中检查测量模型的拟合指数：拟合度指数 （GFI）、调整后的拟合优度指数 （AGFI）、规范拟合指数 （NFI）、塔克-刘易斯指数 （TLI）、比较拟合指数 （CFI） 和根均方误差近似值 （RMSEA）。
图 6：用于确认因子分析的模型规范。请点击此处查看此图的较大版本。
图7：用于确认因子分析的测量模型。CFA的测量模型是使用AMOS程序创建的。潜在变量的方差设置为"1"。请点击此处查看此图的较大版本。
5. 运行 SEM
- 要测试潜在变量之间的关系，请执行 SEM。数据_总计。"sav"。基于研究问题开发 SEM，包括五个潜在变量和 17 个观测变量。
- 将箭头从"外在_V"和"内部_V"绘制到"EP_附件"和"态度_MP"，以及从"EP_附件"和"态度_MP"到"忠诚"。添加三个未观察到的变量，即"z1"作为"EP_Atatchment"的预测变量，"z2"作为"态度_MP"的预测变量，将"z3"作为"忠诚"的预测变量（参见图8，图9 ）。单击"计算估计值"。检查模型的"估计"和拟合指数。
图8：结构方程建模的模型规范。请点击此处查看此图的较大版本。
图9：结构方程建模分析。请点击此处查看此图的较大版本。
6. 对 LMA 进行不变性测试
- 要比较时尚创新群体，基于多组确认因子分析 （MGCFA） 进行 LMA。在 LMA 之前，测试两个组25之间的配置不变性、指标不变性和标量不变性。
- 创建多组测量模型：创建测量模型（即 MGCFA 模型），在"管理组"下创建两个称为"高"和"低"的组。以下列方式为组选择数据文件："低时尚创新.sav"为低时尚创新组，高时尚创新组为"Data_High时尚创新.sav"（参见图 10）。
图 10：为组选择数据文件。创建了 MGCFA 的测量模型，并上传了两个数据文件（"数据+低时尚创新.sav"和"Data_高级时尚创新.sav"）。请点击此处查看此图的较大版本。
-
测试配置不变数
注：如果两个组中的测量模型的结构具有相同的形式（即相同尺寸和相同模式的固定和非固定值），则满足配置不变（参见图 11）。如果测量模型的拟合令人满意，则继续执行下一步以检查指标不差26。- 使用先前建议的每个组的五因子测量模型执行 CFA。单击"计算估计值"。检查两个模型的"估计"和拟合指数。如果两个模型的拟合都令人满意且因子系数显著，则继续下一步。
- 以五因子测量模型为基准模型进行MGCFA。修正每个潜在变量到第一个观测变量的因子系数"1"，并释放其他因子系数。单击"计算估计值"。
- 检查两个组的"估计"和模型的拟合指数。如果模型拟合令人满意，因子系数显著，则满足配置不变性。然后，继续执行涉及指标不变性测试的下一步。
图 11：两个组测量模型的相等尺寸和形式。（A） 高级时尚创新集团模型和（B）低时尚创新组模型。请点击此处查看此图的较大版本。
-
测试指标不变数
注：指标不变性测试评估将潜在变量与观测变量联系起来的因子系数是否在组间相等。- 对于指标不变性的测试，请修正各个组的因子系数。为不同组的相同系数输入相同名称（例如，"a"表示"外在"V"|E2，"j"用于 EP_附件 |EA4，参见图12。单击"计算估计值"。检查两个组的"估计"和模型的拟合指数。
- 通过将全公公不变性模型（即具有跨组固定因子系数的模型）与配置不变性模型（即具有跨组自由因子系数的模型）进行比较，执行奇方差测试。如果奇方差不显著，则满足指标不变性。然后，继续下一步涉及标量不变性测试 25、26、27 。
图 12：确定跨组的因子系数。通过跨组为相同系数输入相同名称，因子系数受到限制。请点击此处查看此图的较大版本。
-
测试标量不变性
注： Scalar 不变性意味着 1） 潜在构造上的相同值与观测变量上的相同值相关联，2） 观测变量均值的差异来自潜在变量的均值差异。要测试标量不变性，应限制观测变量的截取，以便它们在组28之间相等。- 单击"查看"菜单下的"分析属性"。单击"估计"选项卡并选中"估计手段和拦截"。右键单击每个观察变量并选择"对象属性"。选择"参数"选项卡，并在截取文本框中输入参数名称，如"int_e1"和"int_ea1"（参见图 13）。
- 通过将全公量/全标量不变性模型（即具有观测变量的固定截距和跨组固定因子系数的模型）与全公公不变性模型（即具有跨组的固定系数系数）。如果奇平方差不显著，则满足完整的公量/全标量不变性。
注：此处，使用特定的层次结构（配置不方差测试、公制不方差测试、标量不方差测试）。满足每个不变性测试后，使用最终选择的模型（即完整的公量/全标量不变性模型）执行 LMA。
图 13：在截取文本框中输入参数名称。
请点击此处查看此图的较大版本。
7. 运行 LMA
- 使用完整的标量/全公制不变性模型27、28 进行LMA。要比较潜在变量的方法来，请确定一个组中的潜在变量的方法来，并使它们在另一组中自由。
- 通过将一个均值固定为零，然后估计另一组的平均值，估计不同组之间的均值差异。因此，将低时尚创新组中所有潜在变量的均值固定在零。必须确保高时尚创新组中的潜在变量手段是免费的，并且两组中的差异都是免费的（参见图 14）。
- 单击"计算估计值"。检查两个组的"估计"和模型的拟合指数。
- 单击"查看文本"，并在"估计"下检查高级时尚创新组中的潜在变量的表示方式（参见图15）。
图 14：设置潜在变量表示和方差。（A） 高级时尚创新集团和 （B） 低时尚创新集团.请点击此处查看此图的较大版本。
图 15：用于潜在值分析的输出。请点击此处查看此图的较大版本。
Subscription Required. Please recommend JoVE to your librarian.
Representative Results
频率统计提供了样本的特征。共有290名女性在线消费者使用电子批量定制程序完成了购物过程。样本的人口特征分布均匀。按年龄组分，23.1%的人，30多岁的人，40岁的26.6%，50多岁的22.1%。按婚姻状况，58.3%的人已婚，40%为单身。按职业分类，45.2%为上班族，22.8%为家庭主妇，10.3%为专业人士，9.3%为学生，5.5%为服务业（表2）。
对一组CFA进行了一次，其中有五个潜在变量（"外在+V"、"内部+V"、"EP_附件"、"态度_MP"和"忠诚"）和17个观测变量。评价了五因子测量模型的拟合。尽管奇方统计量很大（奇平方 = 179.63，df = 109，p = 0.000），但奇方统计量对较大的样本大小（n = 209）很敏感。其他拟合指数的值表示总体拟合良好（GFI = 0.93，AGFI = 0.91，NFI = 0.97，TLI = 0.98，CFI = 0.99，RMSEA = 0.05）。因子系数的所有临界比率 （CRs） 都显著 （p < 0.001），这意味着已实现收敛有效性 （图 16）。
| 年龄组 | ||
| 频率 | 百分比 | |
| 20年代 | 67 | 23.1 |
| 30的 | 82 | 28.3 |
| 40年代 | 77 | 26.6 |
| 50岁* | 64 | 22.1 |
| 职业 | ||
| 频率 | 百分比 | |
| 学生 | 27 | 9.3 |
| 办公室工作人员 | 131 | 45.2 |
| 生产 | 1 | 0.3 |
| 服务 | 16 | 5.5 |
| 专业 人士 | 30 | 10.3 |
| 业务 | 12 | 4.1 |
| 家庭 主妇 | 66 | 22.8 |
| 别人 | 7 | 2.4 |
| 总 | 290 | 100.0 |
| 婚姻状况 | ||
| 频率 | 百分比 | |
| 西格勒 | 116 | 40.0 |
| 结婚 | 169 | 58.3 |
| 别人 | 5 | 1.7 |
| 总 | 290 | 100.0 |
表 2：样本特征。
图 16：用于确认因子分析的输出。请点击此处查看此图的较大版本。
进行了单个组 SEM。测量模型的拟合指数显示一个可接受的拟合（GFI = 0.93，AGFI = 0.91，NFI = 0.97，TLI = 0.98，CFI = 0.99，RMSEA = 0.05）。路径系数的 CR 值显著且揭示如下：（1）"外在-V"（beta = 0.431，CR = 6.661，p < 0.001）和"内部+V"（beta = 0.339，CR = 6.848，p < 0.001）对"EP+附件"的正面影响;（2） "外在-V"（贝塔 = 0.159，CR = 2.581，p < 0.05）和"内部=V"（贝塔 = 0.378，CR = 6.688，p < 0.001）对"态度+MP"的积极影响;（3） "EP_附件"对"态度_MP"的积极影响（beta = 0.328，CR = 4.905，p < 0.001）;和 （4） "态度_MP"对"忠诚"的积极影响（beta = 0.846，CR = 6.932，p < 0.001）。"EP+附件"对"忠诚"的影响并不显著（beta = 0.078，CR = 0.696，p = 0.486;参见表 3）。
| 路径系数 | 估计 | 标准化估算e | S.E. | C.R. | P |
| "外在+V" -- > "EP+附件" | 0.431 | 0.437 | 0.065 | 6.661 | *** |
| "内部_V" -> "EP+附件" | 0.399 | 0.439 | 0.058 | 6.848 | *** |
| "外在_V" -- > "态度_MP" | 0.159 | 0.166 | 0.061 | 2.581 | 0.01 |
| "内在_V" -> "态度_MP" | 0.378 | 0.429 | 0.056 | 6.688 | *** |
| "EP_附件" ->"态度_MP" | 0.328 | 0.338 | 0.067 | 4.905 | *** |
| "EP+附件" - > "忠诚" | 0.078 | 0.062 | 0.113 | 0.696 | 0.486 |
| "态度=MP" -- > "忠诚" | 0.846 | 0.645 | 0.122 | 6.932 | *** |
| p 值 < 0.001 | |||||
表3：单组结构方程建模结果。此表已由以前的出版物29中修改。
通过利用中值分割（Med = 4.17），数据被分为两组：低时尚创新组和高级时尚创新组。进行了t-测试，揭示了高低时尚创新群体在时尚创新方面的重大平均差异（M高=5.03 > M低= 3.50;SD高= 0.72，SD低= 0.68;N高= 141，N低= 149;t = 18.53，df = 288，p < 0.001）。
在比较时尚创新组之间的潜在手段之前，进行了不变性测试的层次结构。首先，针对低时尚创新和高时尚创新群体分别进行了采用五因子测量模型的CFA。结果显示，一个优秀的模型适合低时尚创新组（NFI = 0.96，TLI = 0.99，CFI = 0.99，RMSEA = 0.04）和高级时尚创新组（NFI = 0.93，TLI = 0.97，CFI = 0.97，RMSEA = 0.07）。所有因子系数都很大，这意味着两个组的五因子模型都被接受。
下一步是从单一集团CFA转移到MGCFA，以交叉验证两组的五因子测量模型。对模型 1（配置不变性模型）进行了测试，以确认在低时尚和高级创新组中，建议的结构是否相同。结果表明，该模型的拟合效果令人满意。其他拟合指数的值表示总体拟合良好（NFI = 0.94，TLI = 0.98，CFI = 0.98，RMSEA = 0.04;参见表 4）。因此，实现了配置不变。因子系数的所有 CR 都显著（p < 0.001）。模型 1 被视为基线模型。
为了测试指标不变性，因子系数被约束为两个组的相同，并执行了另一个 MGCFA（模型 2）。由于模型 2 嵌套在模型 1 中，因此进行了奇方差测试。结果显示，14.728 （df = 12） 的奇平方差不显著（p = 0.257），并且满足公制不变性（参见表 4）。奇方差测试的示例如下：奇方（模型 2） - 奇方（模型 1） = 323.492 - 308.764 = 14.728;df 差： df （型号 3） - df （型号 2） = 230-218 = 12;奇方 （df = 12） = 14.728，p 值 = 0.256649。
由于公制不变性模型（模型 2）被接受，因此测试了标量不变性。五个潜在变量的截取被限制在两个组中相等，最后一个 MGCFA 执行（模型 3）。由于全公制/全标量不差差模型（模型 3）嵌套在模型 2 中，因此进行了奇平方差测试。结果显示，11.18 （df = 12） 的奇平方差不显著（p = 0.514），并且满足标量不变性（参见表 4）。奇方差测试的示例如下：奇方（模型 3） - 奇方（模型 2） = 334.672 = 323.492 = 11.18;df 差： df （型号 3） - df （型号 2） = 242-230 = 12;奇方 （df = 12） = 11.18，p 值 = 0.513559。
| 奇方 | Df | RMSEA | NFI | TLI | CFI | |
| 配置不变性（基线模型）：模型 1 | 308.764 | 218 | 0.038 | 0.94 | 0.98 | 0.98 |
| 全公制不变：模型 2 | 323.492 | 230 | 0.038 | 0.94 | 0.98 | 0.98 |
| 完整公量/全标量不变性：型号 3 | 334.672 | 242 | 0.036 | 0.94 | 0.98 | 0.98 |
| 奇方差 | df 差异 | P | 决定 | |||
| 全面公制不变性测试（模型 1 与模型 2） | 14.728 | 12 | 0.256649 | 接受 | ||
| 完全标量不变性测试（模型 1 与模型 2） | 11.18 | 12 | 0.513559 | 接受 | ||
表4：LMA不变性测试的拟合指数。此表已由以前的出版物29中修改。
假设实现了配置不变性、指标不变性和标量不变性，则执行 LMA。低时尚创新组作为参考组，其潜在变量的平均值固定在零，而高时尚创新组的潜在平均值则被估算。LMA 的结果显示，高时尚创新群体的五个潜在变量（"外在+V"、"内向"、"EP_附件"、"态度_MP"和"忠诚度"）的平均值是正值，明显高于低值变量时尚创新团体（见表5）。
| 构建 | 低 | 高 | 硒 | 铬 |
| "外在+V" | 0 | 0.590 | 0.134 | 4.393*** |
| "内部_V" | 0 | 0.690 | 0.141 | 4.878*** |
| "EP+附件" | 0 | 0.527 | 0.134 | 3.926*** |
| "态度=MP" | 0 | 0.521 | 0.127 | 4.084*** |
| "忠诚" | 0 | 0.980 | 0.169 | 5.796*** |
| p 值_lt;0.001 | ||||
表5：LMA的结果。此表已由以前的出版物29中修改。
Subscription Required. Please recommend JoVE to your librarian.
Discussion
调查结果的影响
这项研究的结果表明，消费者从创造大规模定制产品中获得的外在和内在利益有助于对产品的情感依恋的增长，对定制计划产生积极的态度，以及增加忠诚度意图。时装创新对缓和效应的发现表明，与时尚创新群体中的消费者相比，那些时尚创新群体认为效益更大，依附性更大，形成更有利对计划的态度，并有更大的忠诚意图。这些结果为支持 HOE 模型提供了理论和实践见解。
在线调查方法的影响
这项研究利用韩国的一家调查公司进行了在线调查。这家研究公司拥有韩国最大的消费者小组，反应率很高。小组中的年龄和性别分布反映了韩国人口的状况。通过实名验证，消费者小组具有很高的可靠性。由于研究公司以各种创新方法不断管理课题组，因此对研究公司的忠诚度很高;因此，公司获得的研究结果被认为是高度可靠的。
与传统的实验研究相比，使用现有的大规模定制程序具有优势。参与者可以在自然和现实的环境中尝试大规模自定义程序，而不是为研究有意操纵的程序。虽然参与者明白他们正在参与一项研究，但他们并没有利用被调查的大规模定制程序。可以消除反应效应，并且它们对大规模定制产品的反应更类似于创建自定义产品时的实际行为。因此，本研究具有基于自然主义30的实地研究的优势，从而保持了较高的外部有效性。此外，参与者的答复与从中选出的人口比例相似。这项研究获得了针对这一特定条件（即韩国女性在线服装购物者）的研究结果的可概括性。
本研究为希望在自定义程序中创建产品的参与者提供了一个场景。对基于情景的研究的批评是其外部有效性。由于场景31的人工性质，参与者更有可能参与认知评估，而不是情感评估。然而，调查结果显示，认为定制产品的好处的消费者对产品表现出更大的情感依恋，这表明他们可以评估体验的认知和情感方面。本研究使用描述的场景模拟了真实的购买体验。因此，参与者对采购情况的参与程度较高，从而进一步提高了外部有效性。
SEM 和 LMA 的影响
本研究应用 SEM 来测试潜在变量之间的关系，并利用 LMA 与 MGCFA 来比较两个消费群体（低时尚和高级时尚创新组）中潜在变量的方法。LMA 要求不变性测试的层次结构，该层次结构遵循 （1） 配置不方差测试、（2） 公制不变性检验和 （3） 标量不方差测试的关键步骤。有人强调，高质量的研究应在测试 SEM 和 LMA 之前应用不变性测试，因为不方差测试可以纠正和评估每个潜在变量中的测量误差，估计构造有效性，并评估测量组13之间的不变性 。平均比较的结果可能因应用数据分析的不同而不同，例如 ANOVA 和 MGCFA。如果测量不变性不变，则 ANOVA 和 MGCFA 均值差异的统计结果将不同且无效32。
本研究强调了测试测量不变性对于均值比较的重要性，并提供了关于不方差测试程序和 LMA 对消费者行为研究的适用性的信息。读者应该能够轻松地执行自己的分析。如果需要，不满足与测量不变性相关的假设，并且可能无法解释潜在变量的平均值比较。平均差异的研究结论可以有其有效性，因为它们由复杂的统计程序指导，以确保测量不变性。研究人员需要估计测量不变，并进行均值比较，以确保未来研究的完整性。
尽管本研究侧重于多个组比较，但比较仅限于检查潜在均值差异，并且不解决潜在变量之间关系的组差异。多组比较的另一种方法是应用 MGSEM 多组结构方程建模 （MGSEM） 并比较跨组的路径系数。为此，需要测量不变性测试，然后将应用不变性测试的层次结构进行进一步研究。
Subscription Required. Please recommend JoVE to your librarian.
Disclosures
作者没有什么可透露的。
Acknowledgments
这些数据已被修改从公园和Yoo的研究29。这项工作得到了大韩民国教育部和韩国国家研究基金会（NRF = 2016S1A5A2A03927809）的支持。
Materials
| Name | Company | Catalog Number | Comments |
| SPSS AMOS 22 | IBM Corporation, Data Solution Inc. | used for confirmatory factor analyses, structural equation modeling analyses, and latent means analyses |
References
- Srinivasan, S. S., Anderson, R., Ponnavolu, K. Customer loyalty in e-commerce: an exploration of its antecedents and consequences. Journal of Retailing. 78 (1), 41-50 (2002).
- Mouw, R. Biggest challenges of mass customization and tips for addressing these challenges. Manufacturing Tomorrow. , Available from: http://www.manufacturingtomorrow.com/article/2016/05/biggest-challenges-of-mass-customization-and-tips-for-addressing-these-challenges-/8047 (2005).
- Fiore, A. M., Lee, S. E., Kunz, G. Individual differences, motivations, and willingness to use a mass customization option for fashion products. European Journal of Marketing. 38 (7), 835-849 (2004).
- Pine, B. J., Gilmore, J. H. The Experience Economy: Work is Theater and Every Business a Stage. , Harvard Business School Press. Boston, MA. (1999).
- Yoo, J., Park, M. The effects of e-mass customization on consumer perceived value, satisfaction, and loyalty toward luxury brands. Journal of Business Research. 69 (12), 5775-5784 (2016).
- Endo, S., Kincade, D. H. Mass customization for long-term relationship development: why consumers purchase mass customized products again. Qualitative Market Research: An International Journal. 11 (3), 275-294 (2008).
- Spiegel, E. How the U.S. can be a leader in the factory of the future. , Available from: http://blogs.wsj.com/experts/2015/06/04/how-the-u-s-can-be-a-leader-in-the-factory-of-the-future (2015).
- Franke, N., Piller, F. T. Value creation by toolkits for user innovation and design: the case of the watch market. The Journal of Product Innovation Management. 21 (6), 401-415 (2004).
- Lavidge, R. J., Steiner, G. A. A model for predictive measurements of advertising effectiveness. Journal of Marketing. 25, 59-62 (1961).
- Deci, E. L. Intrinsic Motivation. , Plenum Press. New York, NY. (1975).
- Kim, H. W., Chan, H. C., Gupta, S. Value-based adoption of mobile internet: an empirical investigation. Decision Support System. 43 (1), 111-126 (2007).
- Rogers, E. M. Diffusion of Innovations, 4th Edition. , The Free Press. New York, NY. (1995).
- Fiore, A. M., Lee, S. E., Kunz, G. Individual differences, motivations, and willingness to use a mass customization option for fashion products. European Journal of Marketing. 38 (7), 835-849 (2004).
- Franke, N., Piller, F. T. Key research issues in user interaction with configuration toolkits in a mass customization system. International Journal of Technology Management. 26 (5/6), 578-599 (2003).
- Grisaffe, D. B., Nguyen, H. P. Antecedents of emotional attachment to brands. Journal of Business Research. 64 (10), 1052-1059 (2011).
- Lee, M. Factors influencing the adoption of internet banking: an integration of TAM and TPB with perceived risk and perceived benefit. Electronic Commerce Research and Applications. 8 (3), 130-141 (2009).
- Pedeliento, G., Andreini, D., Bergamaschi, M., Salo, J. Brand and product attachment in an industrial context: the effects on brand loyalty. Industrial Marketing Management. 53, 194-206 (2016).
- Ilicic, J., Webster, C. M. Effects of multiple endorsements and consumer celebrity attachment on attitude and purchase intention. Australasian Marketing Journal. 19 (4), 230-237 (2011).
- Koo, G. Y., Hardin, R. Difference in interrelationship between spectators’ motives and behavioral intentions based on emotional attachment. Sport Marketing Quarterly. 17 (1), (2008).
- Kang, J. M., Kim, E. e-Mass customization apparel shopping: effects of desire for unique consumer products and perceived risk on purchase intentions. International Journal of Fashion Design, Technology and Education. 5 (2), 91-103 (2012).
- Kim, J. B., Rhee, D. The relationship between psychic distance and foreign direct investment decisions: a Korean study. International Journal of Management. 18 (3), 286-293 (2001).
- Simonson, I. Determinants of customers' responses to customized offers: conceptual framework and research propositions. Journal of Marketing. 69 (1), 32-45 (2005).
- Consumer behavior study reveals South Korean online shopping habits. FedEx. , Available from: http://about.van.fedex.com/newsroom/asia-english/consumer-behavior-study-reveals-south-korean-online-shopping-habits/ (2015).
- Iacobucci, D., Posavac, S. S., Kardes, F. R., Schneider, M. J., Popovich, D. L. Toward a more nuanced understanding of the statistical properties of a median split. Journal of Consumer Psychology. 25 (4), 652-665 (2015).
- Steenkamp, J. B. E. M., Baumgartner, H. Assessing measurement invariance in cross-national consumer research. Journal of Consumer Research. 25 (1), 78-90 (1998).
- Bollen, K. A. Structural Equation with Latent Variables. , Wiley. New York, NY. (1989).
- Sass, D. A. Testing measurement invariance and comparing latent factor means within a confirmatory factor analysis framework. Journal of Psychoeducational Assessment. 29 (4), 347-363 (2011).
- Hong, S., Malik, M. L., Lee, M. K. Testing configural, metric, scalar, and latent mean invariance across genders in sociotropy and autonomy using a non-western sample. Educational and Psychological Measurement. 63 (4), 636-654 (2003).
- Park, M., Yoo, J. Benefits of mass customized products: moderating role of product involvement and fashion innovativeness. Heliyon. 4, 00537 (2018).
- Neuman, W. L. Social Research Methods: Qualitative and Quantitative Approaches, 6th Edition. , Allyn and Bacon. Boston, MA. (2006).
- Kim, J. H., Jang, S. A scenario-based experiment and a field study: a comparative examination for service failure and recovery. International Journal of Hospitality Management. 41, 125-132 (2014).
- Hancock, G. R., Lawrence, F. R., Nevitt, J. Type I error and power of latent mean methods and MANOVA in factorial invariant and noninvariant latent variable systems. Structural Equation Modeling. 7 (4), 534-556 (2000).
